基本信息
| 字段 | 内容 |
|---|---|
| 英文 | AI / ML Core Concepts |
| 全称 | Artificial Intelligence / Machine Learning / Deep Learning / Training / Inference |
| 中文释义 | 人工智能与机器学习核心概念 |
| 日文释义 | AI・機械学習の基本概念 |
| 考试频率 | ⭐⭐⭐⭐⭐ |
| 易混淆 | AI / ML / Deep Learning / Generative AI / Training / Inference |
一句话理解
先区分 AI、ML、Deep Learning 与生成式 AI，再判断是训练模型还是使用模型推理。
核心要点
- AI 是大领域，ML 是 AI 的子集，Deep Learning 又是 ML 的子集。
- Training 使用历史数据学习参数；Inference 使用模型处理新输入并产生预测。
- 数据质量、Schema、一致性和新鲜度通常比盲目增加模型复杂度更重要。
- 预训练 AI API、自定义 ML、基础模型和成品助手是不同抽象层。
考试重点
- 先判断输入、输出、是否需要训练、自定义程度和运维负担。
常见误区
- 不要只凭产品名称选择服务，先确认数据类型、延迟、控制力、运维与成本限制。
重点记忆
先判断要“直接用能力”、还是“训练模型”、还是“调用基础模型”。